CN110378896B - 基于极化相干性的TomoSAR植被病虫害监测方法及装置 - Google Patents
基于极化相干性的TomoSAR植被病虫害监测方法及装置 Download PDFInfo
- Publication number
- CN110378896B CN110378896B CN201910676975.9A CN201910676975A CN110378896B CN 110378896 B CN110378896 B CN 110378896B CN 201910676975 A CN201910676975 A CN 201910676975A CN 110378896 B CN110378896 B CN 110378896B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- target
- image data
- data
- coherence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 56
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- LWYJUZBXGAFFLP-OCNCTQISSA-N menogaril Chemical compound O1[C@@]2(C)[C@H](O)[C@@H](N(C)C)[C@H](O)[C@@H]1OC1=C3C(=O)C(C=C4C[C@@](C)(O)C[C@H](C4=C4O)OC)=C4C(=O)C3=C(O)C=C12 LWYJUZBXGAFFLP-OCNCTQISSA-N 0.000 title claims abstract description 25
- 201000010099 disease Diseases 0.000 title claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000000547 structure data Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 41
- 238000012937 correction Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 241000238631 Hexapoda Species 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- -1 P ═ Ps Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了基于极化相干性的TomoSAR植被病虫害监测方法及装置。该监测方法的一具体实施方式包括：基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到目标植被的三维结构数据；将目标植被的三维结构数据与样本植被数据进行相干性分析；根据分析结果确定目标植被的病虫害状况。这种实施方式可以对植被进行全天时、全天候监测，而且能够实现高度向植被结构的高精度测量，有助于提高植被病虫害监测结果的准确度。
Description
技术领域
本申请实施例涉及雷达观测技术领域，尤其涉及基于极化相干性的TomoSAR植被病虫害监测方法及装置。
背景技术
合成孔径雷达层析(Tomography Synthetic Aperture Radar，TomoSAR)技术是近十年发展起来的一种获取目标高精度三维和四维信息的新兴前沿技术。它通过改变成像后的数据处理算法，可实现对高度向分布散射体的测量。与极化信息结合起来，还可以获得目标精细结构、物理成分和空间分布信息，从而可以区分不同高度的多个散射体，监视散射体的空间位置变化情况等。该技术现已应用于森林结构参数估计、城市三维重建和城市地表沉降等领域，并且在地质学、冰川学及地下埋藏物体的探测方面有着巨大的应用潜力。
发明内容
本申请实施例提供了基于极化相干性的TomoSAR植被病虫害监测方法及装置。
第一方面，本申请实施例提供了一种基于极化相干性的TomoSAR植被病虫害监测方法，包括：基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到目标植被的三维结构数据；将目标植被的三维结构数据与样本植被数据进行相干性分析；根据分析结果确定目标植被的病虫害状况。
在一些实施例中，基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据，包括：获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
在一些实施例中，获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，包括：采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
在一些实施例中，采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到目标植被的三维结构数据，包括：对目标图像数据进行多视处理，得到多基线合成孔径雷达获得的信号向量；根据预设的权向量，对多基线合成孔径雷达的信号向量进行加权求和；确定出相应的构造目标函数，得到目标植被在高度向的功率谱。
在一些实施例中，对目标图像数据进行多视处理，得到多基线合成孔径雷达获得的信号向量，包括：对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到多基线合成孔径雷达获得的信号向量。
在一些实施例中，将目标植被的三维结构数据与样本植被数据进行相干性分析，包括：在目标植被的三维结构数据中，分别在不同极化方向上选取位于植被冠层的像素点数据；确定各极化方向上选取的像素点数据分别与位于样本植被相同位置的像素点数据的相干系数；根据各极化方向上确定的相干系数，得到目标植被与样本植被的相干系数。
在一些实施例中，选取位于植被冠层的像素点数据，包括：在目标植被的三维结构数据中，选取位于植被冠层的某像素点，以选取的像素点为中心，提取位于预设大小空间内的所有像素点的数据，并生成目标植被的向量数据。
第二方面，本申请实施例提供了一种基于极化相干性的TomoSAR植被病虫害监测装置，包括：生成单元，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；处理单元，被配置成采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到目标植被的三维结构数据；分析单元，被配置成将目标植被的三维结构数据与样本植被数据进行相干性分析；确定单元，被配置成根据分析结果确定目标植被的病虫害状况。
第三方面，本申请实施例提供了一种电子设备包括：处理器；存储装置，其上存储有计算机程序；当处理器执行存储装置上的计算机程序时，使得电子设备实现如第一方面中任一实施例所描述的基于极化相干性的TomoSAR植被病虫害监测方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面中任一实施例所描述的基于极化相干性的TomoSAR植被病虫害监测方法。
本申请实施例提供的基于极化相干性的TomoSAR植被病虫害监测方法及装置，首先，可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。接着，可以采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，以得到目标植被的三维结构数据。之后，将目标植被的三维结构数据与样本植被数据进行相干性分析。最后，根据分析结果可以确定目标植被的病虫害状况。这种方法利用目标植被的合成孔径雷达图像数据，可以实现植被的全天时、全天候监测。并且通过多信号分类算法处理，能够实现高度向植被结构的高精度测量。这样有助于提高植被病虫害监测结果的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请的一个实施例可以应用于其中的示例性系统架构图；
图2为本申请提供的基于极化相干性的TomoSAR植被病虫害监测方法的一个实施例的流程图；
图3为本申请提供的基于极化相干性的TomoSAR植被病虫害监测装置的一个实施例的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的基于极化相干性的TomoSAR植被病虫害监测方法或装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、网络102、服务器103和合成孔径雷达104。网络102可以用以在终端101与服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端101通过网络102与服务器103进行交互，以接收或发送消息等。例如用户可以通过终端101向服务器103发送植被的监测指令等。终端101上可以安装有各种客户端应用，例如植被灾害监测类应用、图像播放器、浏览器和即时通讯工具等。这里的植被可以包括(但不限于)树木森林、灌木丛、草原等。这里的灾害可以包括(但不限于)病虫灾害、自然气象灾害(如火灾、冻灾)、人为砍伐灾害等。
这里的终端101可以是硬件，也可以是软件。当终端101为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑和台式计算机等等。当终端101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器，例如可以是对终端101所安装的应用提供支持的后台服务器。后台服务器在接收到终端101发送的监测指令时，可以通过合成孔径雷达104来获取目标植被的图像数据。进而可以对这些数据进行分析处理，并可以将分析处理结果(如目标植被的病虫害状况)发送给终端101。
这里的服务器103同样可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的基于极化相干性的TomoSAR植被病虫害监测方法一般可以由服务器103(或终端101)执行。相应地，基于极化相干性的TomoSAR植被病虫害监测装置一般也可以设置于服务器103(或终端101)中。
应该理解，图1中的终端、网络、服务器和合成孔径雷达的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、服务器和合成孔径雷达。
请参见图2，其示出了本申请提供的基于极化相干性的TomoSAR植被病虫害监测方法的一个实施例的流程200。该方法可以包括以下步骤：
步骤201，基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据。
在本实施例中，基于极化相干性的TomoSAR植被病虫害监测方法的执行主体(例如图1中所示的服务器103)可以通过多种方式来获取目标植被的合成孔径雷达(SAR，Synthetic Aperture Radar)图像数据。例如，执行主体可以通过有线连接方式或无线连接方式，接收用户使用终端(例如图1中所示的终端101)发送的目标植被的合成孔径雷达图像数据。又例如，执行主体可以从网上资源(如云端)或数据库中获取目标植被的合成孔径雷达图像数据。再例如，执行主体可以通过合成孔径雷达(例如图1中所示的合成孔径雷达104)对目标植被进行实际观测，从而得到其图像数据。
可以理解的是，利用合成孔径雷达进行观测，通常会得到多个极化方向上的信息数据。此时，可以采用极化SAR图像分类算法，来得到目标植被的位置图像。
具体地，极化SAR图像的每一像素包含的全部极化信息，一般可以表示为一个3×3的极化相干矩阵T：
式中，Tij为矩阵T的各个元素，上标*表示为对应的元素取共轭。
为了降低复杂地物散射回波随机波动性的影响，对T矩阵进行去取向处理，获得新的相干矩阵T′，如下式所示：
T′＝QTQH；
式中，
为取向角旋转矩阵，上标H为取共轭转置，θ为目标旋转角度，其范围为(-p/2,p/2-。
将去取向处理之后的矩阵分解为三个分量，具体表示形式如下：
T′＝PsTs+PdTd+PvTv；
式中，
Tij′为去取向处理后矩阵的各个元素，Ps、Pd、Pv对应某像素表面散射、偶次散射与体散射三分量的功率值，Ts、Td、Tv为三种基本散射机制对应的极化相干矩阵模型。
为了抑制相干斑噪声对实验结果的影响，对原始极化SAR数据进行滤波处理。
利用公式T′＝PsTs+PdTd+PvTv对相干矩阵T进行去取向三分量分解，计算每个像素表面散射、偶次散射与体散射三个分量的功率值(Ps、Pd、Pv)与总功率值(Span)。
Span＝Ps+Pd+Pv；
根据Ps、Pd、Pv的大小，确定每个像素的占优散射机制，即Pmax＝max(Ps,Pd,Pv)对应的散射分量。将每个像素的Ps、Pd、Pv构成一个向量，即P＝[Ps,Pd,Pv-＝[P1,P2,P3]。初始聚类划分如下式：
CP＝1,2,3,4分别表示表面散射类型、偶次散射类型、体散射类型和混合散射类型。Th为经验百分比阈值，数值越高，像素对应到三种散射机制的准确率越高。
在形成前三种散射类型中，分别根据占优散射机制功率值的大小对应的像素进行排序，并将其分割为数目基本相等的30小类；利用Wishart距离衡量每两类间的相似程度进行类别合并，分别合并到事先指定的类别数目(N1,N2,N3,令三者皆小于30)。合并规则：若同一散射类型的某两小类间的距离最短，则将它们合并，类间距离采用Wishart距离：
Dij＝1/2{ln(|Vi|)+ln(|Vj|)+Tr(Vi-1Vj+Vj-1Vi)}；
式中，Vi、Vj表示第i类与第j类的平均相干矩阵，Tr表示矩阵求迹。
求解得到的各个聚类的平均相干矩阵，将其作为类中心，在四种初始聚类内分别重新利用Wishart分类器按照每像素点到各类中心的距离进行迭代。在这里，为了获得稳定的收敛效果，可以应用Wishart分类器迭代两到四次。
此外，为了更加清晰地表示各类地物，可以根据实际情况利用不同颜色表示不同地物，如蓝色可以表示表面散射(如海洋裸地)，红色可以表示偶次散射(如城区)，绿色可以表示体散射(如森林植被)。
在本实施例中，目标植被可以是需要进行监测的任意植被，如需要进行病虫害状况监测的森林。其所在地理位置、占地面积、植被种类等在本申请中并不限制。在这里，执行主体可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。例如，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行预处理，从而得到目标图像数据。其中，目标图像数据可以是后续处理过程所需的图像数据。而预处理过程通常是为得到所需的目标图像数据而进行的相关处理。在这里，预处理方法和目标图像数据可以根据用户的实际需求进行设置。
作为示例，目标图像数据可以为目标植被的某特定区域(如树木冠层或树木枝叶区域)的图像数据。此时，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行筛选，从而得到包含有该特定区域图像的合成孔径雷达图像数据。进一步地，为了提高后续处理效率，执行主体还可以对筛选出的图像数据进行裁剪，从而去除原图像数据中不需要的图像数据，得到仅包含该特征区域图像的图像数据。在一些应用场景中，执行主体还可以对清晰度欠佳的图像数据进行去云雾处理等，从而降低天气因素的影响。
需要说明的是，为了能够得到目标植被在高度(程)向的结构信息，需要获取到不同监测角度下的目标植被的合成孔径雷达图像数据，尤其是不同监测高度下的图像数据。即合成孔径雷达在不同高度下对目标植被进行监测而得到的图像数据。此时，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行筛选，从而得到多张(即不同监测高度下的)图像数据。
可以理解的是，这里不同监测高度下的图像数据的获取方式在本申请中并不限制。例如，可以是利用多个位于不同高度面的合成孔径雷达，对目标植被进行监测得到的。又例如，为了简化方法，可以是采用同一合成孔径雷达分别在不同高度面(如不同高度的平行轨道)上，对目标植被进行监测而得到的。或者还可以采用安装有多个不同高度的天线的合成孔径雷达，对目标植被进行监测得到的。
在一些可选的实现方式中，执行主体还可以对这些不同监测高度下的图像数据进行基准校正、相位补偿等处理。这样可以便于进行后续数据处理，提高处理效率。作为示例，执行主体可以根据人为设定的基准，对不同监测高度下的图像数据进行校正、相位偏差补偿等处理。
可选地，执行主体也可以将上述多张图像数据中的一张图像数据作为主图像数据，即基准图像数据，从而对其余图像数据(即除去主图像数据以外的图像数据)进行基准校正、相位补偿等处理，以得到目标图像数据，即作为后续层析SAR成像的数据。具体如下：
合成孔径雷达系统接收信号后，经过成像处理可以形成二维后向散射复数图像。在这里，以x表示方位向；r表示距离向；s表示高度向。其中，方位向分辨率ρx＝(λr)/(2Δx)；距离向分辨率ρr＝c/(2BW)。其中，λ为波长；Δx为方位向合成空间；c为波的传播速度；BW为SAR系统带宽。对于距离为r′并且位于零多普勒位置x′的单个像素u(x′,r′)来说，其复数信号表示为：
其中，γ(x,r,s)为三维场景的反射率方程；
为地面目标到传感器的直接距离；f(x′-x,r′-r)表示天线方向性和成像处理中加权的综合作用形成的点扩散函数，一般在不考虑加权时，有
单基站SAR成像系统在不同高度的平行轨道上对单一地区(如目标植被)进行M次观测，可以得到M景复数SAR图像。此时，可以选取第M/2景图像作为主图像，其它为辅图像。然后对所有数据进行配准、相位校正等预处理。第m次获取的SAR复数图像可表示为：
在这里，m＝1,…,M；
其中，b//m表示水平基线；b⊥m表示垂直基线。
为方便起见，假设点扩散函数为一个二维Dirac函数(即狄拉克δ函数)，对于给像素点(x′,r′)而言，可以得到一个M维向量
其中每一个元素可以表示为：
其中，Δs表示高度向上的有效观测范围；Rm(s)＝Rm(s,r′＝r,x′＝x)。
由于上式中的相位包含一个与基线相关的二次相位偏差
因此需要通过对接受信号乘以一个复共轭二次相位函数
从而将这个二次相位偏差补偿掉。也就是说，需要对二维SAR图像数据进行去斜处理，即：
经过去斜处理后，可以得到：
将相位项合并到反射率方程γ(s)中，得到：
其中，
为空间(高度)频率。
在实际应用中，如果需要考虑反射率方程γ(s)的相位特征，则可以通过将反射率方程乘以一个复共轭二次相位函数
来去除该相位偏差，以保存反射率方程γ(s)的相位信息。
需要说明的是，在加性噪声
存在的情况下，公式的离散表达式为：
其中，g＝(g1,g2,…,gM)T为一个具有M个元素的列向量；
为M×N的引导矩阵，其元素为Rm×n＝exp(-j2πξmsn)；
为引导向量(引导矩阵
的列向量)：
γ为N维离散化的反射率矩阵，其元素为γn＝γ(sn),sn(n＝1,…,N)表示离散化的高度位置。
步骤202，采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到目标植被的三维结构数据。
在本实施例中，执行主体可以采用最小方差无畸变响应波束形成算法(CAPON算法)，来对步骤201中得到的目标图像数据进行层析成像处理，从而得到目标植被的三维结构数据。作为示例，首先执行主体可以对目标图像数据进行多视(L视)处理，以得到多基线SAR获得的信号向量；之后，根据预设的权向量，可以对多基线SAR的信号向量进行加权求和；接着，确定出相应的构造目标函数，进而得到目标植被在高度向的功率谱。
具体可选地，执行主体首先可以对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，从而得到该像素点的功率谱。也就是说，经过上述(多基线SAR数据)预处理，对于一给定距离向和方位向的像素点，可得到长度为M的随机信号向量g＝(g1,g2,…,gM)T。对这M个空间频域的数据进行傅里叶变换，得到其在空间域高度位置sn处的频谱信息
将频谱与其共轭相乘，得到高度位置sn处的功率谱：
之后，执行主体可以利用中心像素点和其周围的同类型邻近像素点，对目标图像进行多视处理，以实现每张目标图像数据的独立同分布的多视处理，进而得到多基线合成孔径雷达获得的信号向量。这里的同类型主要指与中心像素点的数据类型相同。可以理解的是，在目标植被的SAR图像数据中往往会包含(但不限于)植被、地面、湖泊、建筑物等中的至少一种数据。因此，SAR图像数据中的像素点可以划分为上述至少一种数据类型。
在这里，多视处理后，多基线SAR获得的信号向量可以为：
其中，l表示视数(looks)，l＝1,2,…,L，L为正整数。以多基线SAR获得的随机信号向量的样本自相关矩阵来近似表示自相关矩阵：
此时，若设高度向位置为sk，预设的权向量为ω＝(ω1,ω2,…,ωM)T，则对多基线SAR信号向量g(l)＝(g1(l),g2(l),…,gM(l))T进行加权求和，可以得到输出信号
考虑L视输出能量的平均值为最小，即：
设计权向量ω的这一准则为最小输出能量(MOE)准则：
当L趋近于无穷大即L→∞时，上式可以变为：
这样多基线SAR信号向量也可以表示为：
其中，第一项表示的是期望信号；第二项为干扰信号的和。将上述两个等式相结合，便可以得到：
其中，σ2|ω|2表示为系统的高。
接着，执行主体可以确定出相应的构造目标函数，具体可以表示如下：
J(ω)＝ωHCggω+λ|1-ωHr(sk)|；
其中，λ为拉格朗日(Largange)乘子。由
得Cggω-λr(sk)＝0，最优权向量为：
ωopt＝λCgg -1r(sk)；
将这一权向量代入约束条件ωHr(sk)＝r(sk)Hω＝1，即可得到高度位置sn处的功率谱：
步骤203，将目标植被的三维结构数据与样本植被数据进行相干性分析。
在本实施例中，执行主体可以将步骤202中得到的目标植被的三维结构数据，与样本植被数据进行相干性分析。其中，样本植被通常可以为正常(即未遭受灾害)的植被。例如，样本植被通常可以为与目标植被的植被种类相同或相近的植被，和/或与目标植被的地理位置相近的植被。而样本植被数据可以根据实际情况进行设置。如样本植被数据可以为植被整体的图像数据，也可以为植被某特定区域的图像数据。又如样本植被数据还可以为某一特定时期(如五月中旬，且没有病虫害情况)的目标植被的图像数据。在这里，相干性分析的具体方式并不限制。
需要说明的是，为了实现对目标植被的灾害(如病虫害)状况的监测，往往需要着重监测植被的枝叶区域。因此在一些实施例中，为了提高监测效率和监测结果的准确度，执行主体可以在目标植被的三维结构数据中，分别在不同极化方向上选取位于植被冠层的像素点数据。并且可以确定各极化方向上选取的像素点数据与位于样本植被相同位置的像素点数据的相干系数。进而根据各极化方向上确定的相干系数，可以得到目标植被与样本植被的相干系数。
这里的极化方向可以包括(但不限于)HH极化方向、HV极化方向、VH极化方向、VV极化方向。其中，H表示水平极化方向，V表示垂直极化方向。此外，上述相同位置可以指植被冠层，也可以指选取的像素点在植被冠层的位置。
在这里，植被冠层的像素点数据的选取方式在本申请中并不限制，如可以人为选取，也可以通过图像识别进行选取。作为示例，首先可以在目标植被的三维结构数据中，选取位于植被冠层的某像素点；之后可以以选取的像素点为中心，提取位于预设大小空间(如3×3×3)内的所有像素点的数据；最后可以根据提取的像素点数据来生成目标植被的向量数据。例如可以将上述提取的27个像素点数据按照某一顺序排列以组成向量数据X。采用同样的方法可以得到样本植被的向量数据Y。对向量数据X和Y进行相干性检测，得到相干系数ρ：
其中，Y*代表Y的共轭复数；E代表求数学期望。
在一些实施例中，可以将各极化方向上得到的相干系数取平均，得到平均相干系数
以作为目标植被的三维结构数据与样本植被数据的相干系数：
步骤204，根据分析结果确定目标植被的病虫害状况。
在本实施例中，执行主体可以根据步骤203中的分析结果，来确定目标植被的病虫害状况。作为示例，执行主体可以根据上述确定的相干系数与预设取值范围的关系，来确定目标植被的病虫害状况。例如，若相干系数
在[a1，1)之间，则可以说明目标植被的枝叶有轻微脱落现象，枝叶有20％左右脱落。若相干系数
在[a2，a1)之间，则可以说明目标植被的枝叶有较严重的脱落现象，失叶率大概为20％～50％。若相干系数
在[a3，a2)之间，则可以说明目标植被的枝叶严重脱落，失叶率大概为50％～80％，受病虫灾害严重。若相干系数
在[0，a3)之间，则可以说明目标植被的枝叶严重脱落，植被受病虫灾害十分严重，失叶率接近80％～100％。对落叶林植被来说，通常情况下，a1＝0.95，a2＝0.90，a3＝0.80。
可以理解的是，为了提高监测结果的准确度，通常需要选取多组像素点数据进行分析。此时，对于同一极化方向上确定的相干系数，可以是根据该极化方向上选取的各组像素点数据的平均值与样本植被中位于相同位置的各组像素点数据的平均值计算得到的；也可以是根据该极化方向上选取的各组像素点数据分别与样本植被中对应组的像素点数据计算得到的。
可选地，执行主体还可以根据位于不同取值范围内的各相干系数(如平均相干系数)的比例，来确定目标植被的病虫害状况。例如，若位于[a1，1)之间的相干系数的数量占相干系数总数量的比例达到30％，和/或位于[a3，a2)和[0，a3)之间的相干系数的数量占相干系数总数量的比例达到50％，则可以说明目标植被的枝叶有严重的脱落现象，存在严重的病虫灾害。对落叶林植被来说，通常情况下，a1＝0.95，a2＝0.90，a3＝0.80。
本实施例提供的基于极化相干性的TomoSAR植被病虫害监测方法，首先，可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。接着，采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，以得到所述目标植被的三维结构数据。之后，将所述目标植被的三维结构数据与样本植被数据进行相干性分析。最后，根据分析结果可以确定目标植被的病虫害状况。这种方法利用目标植被的合成孔径雷达图像数据，可以实现植被的全天时、全天候监测。并且通过多信号分类算法处理，能够实现高度向植被结构的高精度测量。这样有助于提高植被病虫害监测结果的准确度。
进一步参见图3，作为对上述各实施例所示方法的实现，本申请还提供了一种基于极化相干性的TomoSAR植被病虫害监测装置的一个实施例。该装置实施例与上述各实施例所示的方法实施例相对应。该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的监测装置300可以包括：生成单元301，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；处理单元302，被配置成采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到所述目标植被的三维结构数据；分析单元303，被配置成将所述目标植被的三维结构数据与样本植被数据进行相干性分析；确定单元304，被配置成根据分析结果确定所述目标植被的病虫害状况。
在一些实施例中，生成单元301可以进一步被配置成获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
可选地，生成单元301可以进一步被配置成采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
在一些实施例中，处理单元302可以进一步被配置成对目标图像数据进行多视处理，得到多基线合成孔径雷达获得的信号向量；根据预设的权向量，对多基线合成孔径雷达的信号向量进行加权求和；确定出相应的构造目标函数，得到目标植被在高度向的功率谱。
进一步地，处理单元302还可以进一步被配置成对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到多基线合成孔径雷达获得的信号向量。
可选地，分析单元303可以进一步被配置成在目标植被的三维结构数据中，分别在不同极化方向上选取位于植被冠层的像素点数据；确定各极化方向上选取的像素点数据分别与位于样本植被相同位置的像素点数据的相干系数；根据各极化方向上确定的相干系数，得到目标植被与样本植被的相干系数。
在一些应用场景中，分析单元303还可以进一步被配置成在所述目标植被的三维结构数据中，选取位于植被冠层的某像素点，以选取的像素点为中心，提取位于预设大小空间内的所有像素点的数据，并生成所述目标植被的向量数据。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于该装置300及其中包含的单元，在此不再赘述。
需要说明的是，附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，生成单元还可以被描述为“基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据的单元”。
作为另一方面，本申请还提供了一种计算机可读介质。这里的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。该计算机可读介质可以是上述各实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有计算机程序，当计算机程序被该电子设备执行时，使得该电子设备可以实现如上述任一实施例所描述的基于极化相干性的TomoSAR植被病虫害监测方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于极化相干性的TomoSAR植被病虫害监测方法，包括：
基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；
采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到所述目标植被的三维结构数据；
将所述目标植被的三维结构数据与样本植被数据进行相干性分析；
根据分析结果确定所述目标植被的病虫害状况；
其中，所述将所述目标植被的三维结构数据与样本植被数据进行相干性分析，包括：
在所述目标植被的三维结构数据中，分别在不同极化方向上选取位于植被冠层的像素点数据；
确定各极化方向上选取的像素点数据分别与位于样本植被相同位置的像素点数据的相干系数；
根据各极化方向上确定的相干系数，得到所述目标植被与所述样本植被的相干系数，所述各极化方向上确定的相干系数为ρ：
X,Y为根据所述目标植被的三维结构数据得到的向量数据，Y*代表Y的共轭复数；E代表求数学期望；
所述目标植被与所述样本植被的相干系数为对所述各极化方向上确定的相干系数进行取均值处理得到。
2.根据权利要求1所述的方法，所述基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据，包括：
获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
3.根据权利要求2所述的方法，所述获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，包括：
采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
4.根据权利要求1所述的方法，所述采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到所述目标植被的三维结构数据，包括：
对目标图像数据进行多视处理，得到多基线合成孔径雷达获得的信号向量；根据预设的权向量，对多基线合成孔径雷达的信号向量进行加权求和；确定出相应的构造目标函数，得到所述目标植被在高度向的功率谱。
5.根据权利要求4所述的方法，所述对目标图像数据进行多视处理，得到多基线合成孔径雷达获得的信号向量，包括：
对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；
利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到多基线合成孔径雷达获得的信号向量。
6.根据权利要求1所述的方法，所述选取位于植被冠层的像素点数据，包括：
在所述目标植被的三维结构数据中，选取位于植被冠层的某像素点，以选取的像素点为中心，提取位于预设大小空间内的所有像素点的数据，并生成所述目标植被的向量数据。
7.一种基于相干性的TomoSAR植被病虫害监测装置，包括：
生成单元，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；
处理单元，被配置成采用最小方差无畸变响应波束形成算法对目标图像数据进行处理，得到所述目标植被的三维结构数据；
分析单元，被配置成将所述目标植被的三维结构数据与样本植被数据进行相干性分析；
确定单元，被配置成根据分析结果确定所述目标植被的病虫害状况；
其中，所述将所述目标植被的三维结构数据与样本植被数据进行相干性分析，包括：
在所述目标植被的三维结构数据中，分别在不同极化方向上选取位于植被冠层的像素点数据；
确定各极化方向上选取的像素点数据分别与位于样本植被相同位置的像素点数据的相干系数；
根据各极化方向上确定的相干系数，得到所述目标植被与所述样本植被的相干系数，所述各极化方向上确定的相干系数为ρ：
X,Y为根据所述目标植被的三维结构数据得到的向量数据，Y*代表Y的共轭复数；E代表求数学期望；
所述目标植被与所述样本植被的相干系数为对所述各极化方向上确定的相干系数进行取均值处理得到。
8.一种电子设备，包括：
处理器；
存储装置，其上存储有计算机程序；
当所述处理器执行所述存储装置上的计算机程序时，使得电子设备实现如权利要求1-6之一所述的基于极化相干性的TomoSAR植被病虫害监测方法。
9.一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6之一所述的基于极化相干性的TomoSAR植被病虫害监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676975.9A CN110378896B (zh) | 2019-07-25 | 2019-07-25 | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676975.9A CN110378896B (zh) | 2019-07-25 | 2019-07-25 | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378896A CN110378896A (zh) | 2019-10-25 |
| CN110378896B true CN110378896B (zh) | 2021-08-13 |
Family
ID=68255996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910676975.9A Active CN110378896B (zh) | 2019-07-25 | 2019-07-25 | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378896B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379626B (zh) * | 2021-06-01 | 2024-02-09 | 大连海事大学 | 基于迭代与边缘映射强度的sar图像相干斑抑制方法 |
| CN113609898B (zh) * | 2021-06-23 | 2023-09-29 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
| CN117805820B (zh) * | 2024-03-01 | 2024-05-07 | 中国科学院空天信息创新研究院 | 一种基于极化相干最优的层析sar三维成像方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103969645A (zh) * | 2014-05-14 | 2014-08-06 | 中国科学院电子学研究所 | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 |
| CN106707250A (zh) * | 2017-01-24 | 2017-05-24 | 西安电子科技大学 | 基于互耦校正的雷达阵列自适应波束形成方法 |
| CN106788653A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 一种基于协方差矩阵重构的自适应波束形成方法 |
| CN108836389A (zh) * | 2018-06-01 | 2018-11-20 | 西安交通大学 | 平面波相关点相干自适应波束合成成像方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831316B (zh) * | 2012-08-24 | 2015-02-11 | 安徽农业大学 | 一种基于云本体的茶树虫害智能诊断原型系统 |
| CN104104921A (zh) * | 2014-07-24 | 2014-10-15 | 成都市晶林科技有限公司 | 一种病虫害检测系统及方法 |
| CN107144842A (zh) * | 2017-06-27 | 2017-09-08 | 哈尔滨工业大学 | 一种改进的极化干涉sar植被高度联合反演方法 |
| CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
| CN108761456A (zh) * | 2018-05-07 | 2018-11-06 | 中国农业科学院农业资源与农业区划研究所 | 一种作物的叶面积指数反演方法 |
-
2019
- 2019-07-25 CN CN201910676975.9A patent/CN110378896B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103969645A (zh) * | 2014-05-14 | 2014-08-06 | 中国科学院电子学研究所 | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 |
| CN106788653A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 一种基于协方差矩阵重构的自适应波束形成方法 |
| CN106707250A (zh) * | 2017-01-24 | 2017-05-24 | 西安电子科技大学 | 基于互耦校正的雷达阵列自适应波束形成方法 |
| CN108836389A (zh) * | 2018-06-01 | 2018-11-20 | 西安交通大学 | 平面波相关点相干自适应波束合成成像方法 |
Non-Patent Citations (3)
| Title |
|---|
| Monitoring Broadleaf Forest Pest Based on L-Band SAR Tomography;KunKun Cao et al;《IOP Conference Series: Earth and Environmental Science》;20181209;第1-5页 * |
| 一类最小方差无失真响应波束的形成方法;邵朝 等;《西安邮电大学学报》;20140531;第19卷(第3期);全文 * |
| 合成孔径雷达森林树高和地上生物量估测研究进展;李兰 等;《遥感技术与应用》;20160831;第31卷(第4期);第625-629页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378896A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neumann et al. | Estimation of forest structure, ground, and canopy layer characteristics from multibaseline polarimetric interferometric SAR data | |
| CN110378896B (zh) | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 | |
| Ballester-Berman et al. | Retrieval of biophysical parameters of agricultural crops using polarimetric SAR interferometry | |
| Ballester-Berman et al. | Applying the Freeman–Durden decomposition concept to polarimetric SAR interferometry | |
| Xu et al. | Imaging simulation of polarimetric SAR for a comprehensive terrain scene using the mapping and projection algorithm | |
| Blomberg et al. | Forest biomass retrieval from L-band SAR using tomographic ground backscatter removal | |
| Denbina et al. | Forest height estimation using multibaseline PolInSAR and sparse lidar data fusion | |
| He et al. | Soil moisture retrieval in agricultural fields using adaptive model-based polarimetric decomposition of SAR data | |
| Dey et al. | Novel clustering schemes for full and compact polarimetric SAR data: An application for rice phenology characterization | |
| CN107576961A (zh) | 一种互质降采样间歇合成孔径雷达稀疏成像方法 | |
| CN110703220B (zh) | 一种顾及时间去相干因子的多基线PolInSAR植被参数反演方法 | |
| Biondi | Multi-chromatic analysis polarimetric interferometric synthetic aperture radar (MCA-PolInSAR) for urban classification | |
| US8798359B2 (en) | Systems and methods for image sharpening | |
| Yang et al. | A deep learning solution for height estimation on a forested area based on Pol-TomoSAR data | |
| Di Martino et al. | Pol-SARAS: A fully polarimetric SAR raw signal simulator for extended soil surfaces | |
| Collins et al. | Modeling and simulation of SAR image texture | |
| Carcereri et al. | A deep learning framework for the estimation of forest height from bistatic TanDEM-X data | |
| Baraha et al. | Synthetic aperture radar image and its despeckling using variational methods: A Review of recent trends | |
| CN110399832B (zh) | 基于相干性的TomoSAR植被病虫害监测方法及装置 | |
| Lavalle | Full and compact polarimetric radar interferometry for vegetation remote sensing | |
| CN110378894B (zh) | 基于相关性的TomoSAR植被病虫害监测方法及装置 | |
| López-Dekker et al. | BIOMASS end-to-end mission performance simulator | |
| Berechet et al. | Advanced algorithms for identifying targets from a three-dimensional reconstruction of sparse 3D Ladar data | |
| Huang | Statistical theory for the detection of persistent scatterers in InSAR imagery | |
| Aghababaee et al. | Assessment of Temporal Decorrelation in Differential SAR Tomography for forestry applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |